RS DL
论文介绍
题目：COUD: Continual Urbanization Detector for Time Series Building Change Detection
期刊：IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing
论文：https://ieeexplore.ieee.org/document/10720916
GitHub：https://github.com/MarsZhaoYT/TSCD-Dataset
创新点
新型框架设计：首次提出了一种时间序列的自监督预训练框架（COUD），能够充分利用大量未标记的时间序列遥感数据的时空特征。 双预训练模式：分别设计了适用于离散遥感影像数据的Contrast-COUD模式和针对时间序列影像数据的TS-COUD模式。 时间蒸馏策略：引入时间蒸馏技术，在逐时间阶段的检测过程中将临近阶段的信息作为指导，增强时间上下文感知能力。 发布新数据集：构建并公开了TSCD数据集（2016-2022年间成都区域），为时间序列的建筑变化检测提供了标准化的基准。
数据
研究区域
地点：成都市天府新区科学城。 特点：研究区域涵盖建筑、植被、耕地等多种地物类型，是快速城市化与农业发展的典型区域。 范围：位于兴隆湖附近，总面积覆盖14,355平方公里。
数据来源
卫星平台：WorldView-02卫星。 空间分辨率：约0.5米/像素的高分辨率影像。 时间跨度：2016年至2022年，影像以2年为间隔获取（2016、2018、2020、2022）。
数据预处理
影像配准：通过人工控制点和重采样对影像进行校正，确保一致的坐标框架。 标注方法：
手动对每个时间阶段的影像进行建筑目标密集标注，生成建筑分布图。 相邻时间段的建筑变化通过差分计算生成建筑变化标注图。
TSCD数据集
时间序列建筑变化检测数据集 数据格式： 原始影像：裁剪为统一的256×256像素小块。 标注文件：提供建筑多边形标注（ .tif格式）和顶点坐标（.json格式）。数据划分：根据年份划分为三个子集：
数据特性
多样性：包括建筑区域的显著变化（如新建住宅、工厂）、农业区域的变化（如新增温室或农田）。 难点：部分时间段影像存在云层遮挡，增加了特征提取的难度。
方法
自监督预训练阶段：利用未标记数据进行模型初始化。 下游微调阶段：通过时间蒸馏策略对模型进行时间序列优化。
阶段1：自监督预训练
Contrast-COUD
数据增强：对每张影像生成不同风格的两个视图。 特征提取：通过轻量化的U-Net架构从增强后的视图中提取特征。 特征对比：利用对比学习拉近同一影像视图间的特征距离，从而提升模型对图像背景和光照变化的鲁棒性。
TS-COUD
掩码分支：对时间序列中的初始影像施加随机掩码，通过编码器和解码器重建其特征，以增强模型对局部特征的学习能力。 时间分支：利用时间序列数据的后续影像，根据时间间隔生成融合特征，用于建模时序关系。
阶段2：下游微调
时间蒸馏
知识传递：将前一个时间阶段训练好的分类器作为“锚点分类器”，其参数和特征指导当前时间阶段分类器的优化。 目标：通过这种逐时间阶段的优化方式，使模型更关注连续时间段的变化趋势。
分类器设计
结果与分析
2016 年至 2022 年基于区域的变化图
时间序列可视化
更多图表分析可见原文
公众号欢迎优秀作者投稿！投稿说明请查看：投稿说明
2024-12-12
2024-11-28
2024-12-26
2025-01-05
2025-01-24
欢迎关注
分享遥感与深度学习领域的技术、论文、书籍、新鲜事。
欢迎加入遥感与深度学习交流群(点此加入)。
